powerschedo logo

PowerSchedO for zModel 

Minimizzare i costi di acquisto sui mercati all’ingrosso dell’energia elettrica

Semplifica tutti i processi per l’acquisto e la vendita di energia elettrica sui mercati all’ingrosso

Elabora un piano vincolante per minimizzare l’esposizione alla penale di sbilanciamento. Gestisci uno sbilanciamento in corso di giornata di mercato ed attua un’efficace spacchettamento del piano vincolante sui mercati pre-MSD.

Massimizzare il ricavo

Gestione del rischio di sbilanciamento per le unità di consumo

Le operazioni di acquisto e vendita sui mercati elettrici all’ingrosso sono attività  intrinsecamente soggette ad un rischio, dovuto all’incertezza inevitabile delle previsioni di consumo e produzione. Gli stessi mercati elettrici sono intrisi di incertezza e volatilità, aggiungendo così ulteriori fonti di rischio.

La massimizzazione del ricavo può essere ottenuta attraverso l’uso di due efficaci leve di gestione del rischio:

  • valorizzazione degli sbilanciamenti
  • ottimizzazione pre-MSD

Valorizzazione degli sbilanciamenti

L’errore inevitabile che si commette nell’elaborazione delle previsioni di consumo e produzione si traduce in uno sbilanciamento effettivo che, generalmente, porta ad una penale economica. Quindi ad un maggior costo.
Controllare il rischio finanziario introdotto dagli sbilanciamenti effettivi vuol dire massimizzare il ricavo.

Ottimizzazione pre-MSD

Il programma vincolante modificato e corretto, ovvero il profilo, di prelievo o consumo, rispetto al quale si calcolano gli sbilanciamenti effettivi, è dato dalla somma algebrica delle offerte sul mercato del giorno prima MGP e sui mercati infragiornalieri MI.
L’MGP e i sette MI formano una serie di mercati a pronti, con prezzi e liquidità diverse, sui quali è possibile spacchettare in modi diversi uno stesso programma vincolante. Questo apre a possibilità di arbitraggio tra i mercati a pronti, con conseguente riduzione dei costi di approvvigionamento.

Quali strumenti utilizzare per la minimizzazione dei costi?

Modello di scelta ottima con incertezza sui dati

L’elaborazione del piano vincolante parte da una stima, dei consumi e della produzione, e si concretizza in offerte sul MGP e sui sette MI. La scelta dei valori da nominare viene fatta in un contesto dove l’incertezza è la norma:

  • le previsioni non sono certe
  • le previsioni dei prezzi non sono certe
  • i dati disponibili a consuntivo arrivano con un certo ritardo e possono essere sbagliati o approssimati

L’utilizzo di modelli matematici di scelta ottima con incertezza è obbligatoria, nel contesto appena descritto.

 Analisi delle serie storiche

Opportune tecniche di analisi delle serie storiche aiutano a fornire una descrizione matematica dell’incertezza dei dati.
Quando si analizzano le previsioni, è possibile analizzare quanto queste si allontanano dal consumo effettivo. In altre parole è possibile intercettare degli errori sistematici introdotti dai modelli previsionali, quantificare l’errore ed utilizzare queste informazioni a proprio vantaggio.
Trend di medio periodo possono essere individuati ed utilizzati, ad esempio quando si da un valore economico allo sbilanciamento effettivo oppure quando si analizzano i differenziali di prezzo tra l’MGP e gli MI.

Integrazione semplice con il processo di lavoro

L’uso di strumenti di scelta ottima e di analisi delle serie storiche, sono solo potenziali soluzioni se non sono accessibili in maniera semplice ed integrata nel proprio flusso di lavoro.

  • Leggere le previsioni di consumo e produzioni
  • Preparare le nomine pronte all’invio
  • Leggere i dati di mercato (prezzi, segni, …) nella maniera più semplice
Demo gratuita - Previsioni di consumo per mercato libero dell'energia con PowerSchedo for UC Forecast - Business Analytics and Optimization - MBI

PowerSchedO for zModel

PowerSchedO for zModel e PowerSchedO for UC Forecast, rappresentano la migliore soluzione che supporta l’intero processo di elaborazione delle offerte di consumo e produzione per tutti gli utenti del dispacciamento.

PowerSchedO for zModel ultima modifica: 2016-08-11T15:14:24+02:00 da esalsi@mbigroup.it